从“龙虾”到Token经济学智能体加速驱动推理时代到来

爆火的“龙虾”到底在颠覆什么

  近期OpenClaw的爆火，无疑是这场圆桌对话绕不开的开场话题。这款被圈内人戏称“龙虾”的产品，在几位行业领军者眼中早已不只是一款现象级应用，更是一次AI交互与能力范式的重构。

  张鹏将OpenClaw定义为AI能力落地的“脚手架”，在基础模型之上搭建了一套牢固、灵活且低门槛的能力落地框架，让普通人无须掌握编程等专业技能，就能通过简单的自然语言交互调动顶尖大模型的能力完成复杂任务，这是AI落地层面的一次关键突破。

  夏立雪从最初不习惯OpenClaw相较于对话式交互的“慢”，到后来发现这种“慢”的背后，是OpenClaw从“按Token聊天”到“帮用户完成大型任务”的本质跃迁。而这种跃迁也给AI基础设施厂商带来了全新的机遇与挑战。他透露，无问芯穹从今年1月底开始，每两周Token使用量就会翻一番。当下的Token调用量增长，如同当年手机流量从100M时代开启爆发式增长的前夜。

  罗福莉直接用“革命性、颠覆性”定义OpenClaw的行业价值。在她看来，OpenClaw在Agent框架设计上的领先性已经让行业头部产品纷纷向其靠拢，其更核心的价值在于开源属性。它不仅大幅拉高了国内闭源模型的能力上限，让绝大多数场景的任务完成度逼近顶尖模型，更通过Skill体系守住了能力下限，同时点燃了全行业对Agent层的探索热情，让更多人愿意并有能力参与到AGI的变革进程中。

  黄超从交互与架构两个维度点出了OpenClaw的核心突破。一方面，OpenClaw带来了更有“活人感”的交互体验，跳出了传统Agent的工具感，以软件切入的方式，更贴近大众想象中的个人智能助手“贾维斯”；另一方面，OpenClaw证明了Agent架构可以做到既简单又高效，让行业重新思考智能体的落地形态，更以低门槛的方式撬动了全行业的工具生态，为各行各业的AI赋能提供了可能。

大模型“干活”成本飙升

  OpenClaw带火了Agent，也让大模型行业迎来了从“聊天”到“干活”的核心转向，而近期行业内备受关注的大模型调价动作，也正是这场转向的直接体现。

  对于智谱华章近期发布的GLM Turbo模型与价格调整，张鹏直言，Turbo模型的核心定位，就是适配大模型“从简单对话转向干活”的行业趋势。OpenClaw让全行业看到了大模型“干活”的潜力。但“干活”的背后，是规划、尝试、Debug、处理模糊需求等一系列动作带来的超高Token消耗，是简单问答的10倍甚至100倍。

  长期的低价竞争并不利于行业的健康发展，价格调整的本质，是让大模型的商业价值回归合理区间，只有这样，企业才能持续投入模型优化，为行业提供更稳定、更优质的服务。

推理时代来临：AI基础设施需要一场彻底重构

  面对Token调用量的爆发式增长，AI基础设施该如何进化？

  夏立雪认为最迫切的问题是对现有系统效率提出了极致的优化要求。无问芯穹通过软硬件协同打通，接入了国内几乎所有种类的计算芯片与算力集群，打造出标准化的“Token工厂”，让算力资源实现最高效利用。

  夏立雪指出，现有的云计算基础设施，本质上是为“人”设计的，操作粒度在分钟级；但Agent更像人，能以秒级、毫秒级的频率思考和发起任务，传统基建已经成为Agent发展的核心限制。

  他认为未来的AI基础设施，本身就应该是一个智能体。它需要能够自我进化、自我迭代、形成自主组织，适配AI的高频交互需求，实现Agent之间的高效通信与协作，最终让基础设施与AI技术发展深度融合，实现真正的软硬协同、算法与基建的协同。

大模型竞争正向底层下探

  罗福莉从行业底层创新与终局竞争的视角，分享了她对大模型发展的核心判断。

  她认为，中国大模型团队骨子里的“效率基因”是行业发展的核心底气。两年前，在算力与互联带宽受限的环境下，中国团队通过DPCV3、M1、MA等模型结构创新，在低端算力限制下实现了极致的效率突破；而如今国产算力供给不再受限，这种对高效率、低推理成本的探索，依然是行业发展的核心命题。

  在她看来，结构创新的核心价值在于解决Agent的长上下文问题。OpenClaw越用越聪明的前提，是足够大的推理上下文，而行业当下的核心难题，正是如何在1M甚至10M的超长上下文下，实现足够低的成本与足够快的速度。只有突破这个瓶颈，才能真正激发高生产力任务，让模型在复杂场景中依靠超长上下文完成自我进化。目前，小米团队正在探索长距离任务的稳定性与能力上限。

Agent发展聚焦四大技术方向

  黄超从研发与应用的双重视角，拆解了当下Agent的核心痛点，以及未来值得重点关注的技术方向。

• 一是Planning（规划）能力。 面对数百步的长程任务与复杂上下文，很多模型的规划能力会显著下降，本质是模型缺乏复杂垂直领域的隐性知识。未来的规划能力升级，需要将成熟的复杂任务知识固化到模型中，同时通过高质量的Skill体系，降低规划过程中的错误率。
• 二是Memory（记忆）机制。 当前，Agent普遍存在信息压缩不准确、长周期任务记忆暴增的问题，且现有的文件系统式记忆方案难以实现跨场景通用。黄超认为，未来的记忆体系需要走向分层设计，针对不同模态、不同场景实现高效的检索与索引，在记忆容量与准确性之间找到最优解。
• 三是多智能体协同管理。 随着Agent创建门槛大幅降低，未来每个人都会拥有“一群Agent”，也就是智能体群。但单个Agent的上下文压力会在智能体群中呈现指数级增长，目前行业还没有成熟的机制去管理复杂场景下的多智能体协同，这也是未来重要的技术突破方向。
• 四是Tool Use（工具调用）能力。 目前，Skill体系存在质量参差不齐、安全风险不可控的核心问题，低质量的Skill会严重影响任务完成度，甚至带来恶意调用的风险。未来Tool Use的升级，需要依靠社区共建完善Skill体系，更要实现Skill在执行过程中自主进化、生成新Skill的能力。

未来一年AI行业的核心关键词是什么

  如果用一个词定义未来12个月大模型发展的核心趋势，大家给出的答案拼出了中国AI行业未来一年的演进路线图。

  黄超给出的关键词是“生态”。“龙虾”的爆火只是起点，未来Agent真正的核心方向，是从“新鲜好玩的个人助手”沉淀为真正能落地的“打工人”与“协同者”。而这个过程离不开全行业的生态共建，开源则是生态生长的核心土壤。他同时预判，未来软件行业将迎来“Agent原生”的重大变革，大量软件将从面向人的GUI设计，转向面向Agent的原生设计，重构整个软件生态的底层逻辑。

  罗福莉给出的关键词是“自进化”。Agent框架正在彻底激活预训练模型的能力上限，在可验证的约束条件与闭环迭代机制下，模型已经能在科研等确定性任务中实现持续两三天的自主运行与优化。在她看来，自进化是唯一能真正创造出“新东西”的方向，未来一到两年，大模型叠加自进化Agent框架，将为科学研究带来指数级的效率加速，这也是AGI发展最核心的想象空间。

  夏立雪给出的关键词是“可持续Token”。站在AI基础设施厂商的视角，夏立雪认为如何从能源到算力再到Token、最终到经济价值，形成一条可持续的、经济化的迭代链路，是行业的核心命题。他同时提出，中国有机会凭借能源与算力制造的优势，成为全球的“Token工厂”，打造具有中国特色的“Token经济学”，将高质量的AI能力输出到全球。

  张鹏用最落地的“算力”一词，点出了所有技术创新与行业发展的前提。无论是Agent带来的十倍效率提升，还是行业百倍的需求爆发，最终都要落到“用得上、用得起”的算力供给上。面对推理时代需求的指数级爆发，如何解决算力供给的核心难题，将是未来一年全行业必须共同面对的课题。

  当中国AI行业走过了从追赶到并肩的阶段，开源生态的繁荣、技术底层的创新、产业落地的深耕，正在成为行业发展的核心主线，也终将汇聚成中国AGI发展的核心力量，在全球AI竞争格局中走出属于中国的道路。